COVID-19预测：GCC国家病例分析与LSTM算法在医学信息学中的应用

医学信息学解锁23（2021）100566使用LSTM算法进行COVID-19预测：GCC案例研究Kareem Kamal A.Ghany a，b，Hossam M. Zawbaa b，d，*，Heba M. 萨布里ca沙特阿拉伯利雅得沙特电子大学计算和信息学院b埃及Beni Suef大学计算机和人工智能学院c萨达特管理科学学院信息系统系，埃及开罗d爱尔兰都柏林理工大学A R T I C L EI N FO保留字：COVID-19深度学习LSTM人工智能预测A B S T R A C T新型冠状病毒（COVID-19）是2020年的黑天鹅。尽管如此，人类对抑制病毒的反应也在不同的系统中产生了巨大的涟漪，如卫生，经济，教育和旅游业。本文重点研究和应用人工智能（AI）算法，使用可用的时间序列数据预测COVID-19传播，并研究海湾合作委员会（GCC）国家的生活质量，进行的测试数量以及公民对病毒的认识的影响。因此，我们重点关注沙特阿拉伯王国（KSA），阿拉伯联合酋长国（UAE），科威特，巴林，阿曼和卡塔尔的病例。为此，我们访问了约翰霍普金斯大学系统科学与工程中心（JHU CSSE）收集的时间序列实时数据集。我们数据的时间轴为2020年1月22日至2021年1月25日。我们已经实现了基于长短期记忆（LSTM）的拟议模型，其中包含10个隐藏单元（神经元）来预测COVID-19确诊和死亡病例。从实验结果来看，我们确认KSA和卡塔尔将需要最长的时间从COVID-19病毒中恢复过来，而阿联酋、科威特、阿曼和巴林的情况将在2021年3月下 旬可 控。 另外 ， 我们 计算了各国 确诊 病例 和死 亡病 例的 实际 值与预 测值 之间 的均 方根 误差（RMSE），我们发现确诊病例和死亡病例的最佳值分别为320.79和1.84，两者都与巴林有关。而最差值分别为1768.35和21.78，两者均与KSA有关。另一方面，我们还计算了每个国家确诊病例和死亡病例的实际值和预测值之间的平均绝对相对误差（MARE），我们发现，确诊病例和死亡病例的平均发病率分别为37.76和0.30，分别与科威特和卡塔尔有关。而最差值分别为71.45和1.33，两者均与KSA有关1. 介绍冠状病毒是一个大家族的病毒，可以导致严重的疾病，以人类。第一个已知的严重流行病是2003年发生的严重急性呼吸系统综合征（SARS），而第二次系列疾病始于2012年沙特阿拉伯的中东呼吸系统综合征（MERS）。目前因COVID而爆发的疾病于二零一九年十二月下旬入账。这种新的感染具有极强的传染性，并迅速蔓延到世界各地。2020年1月30日，世界卫生组织（WHO）宣布这一事件为国际关注的突发公共卫生事件;它已蔓延到18个国家。2020年2月11日，世卫组织命名为“COVID-19”。3月11日，随着冠状病毒病例数的多次扩大，与中国相隔超过在114个国家中有118，000例病例，超过4000人死亡，WHO宣布这是一场大流行[1]。世界卫生组织表示，冠状病毒可以从一个人开始传播，然后通过接触和呼吸道喷雾迅速传播。确诊病例的数量在世界范围内迅速扩大，因此各种调查和任务在预测流行病高峰以帮助政府解决限制疾病传播方面面临新的困难。现在的挑战是，如何在考虑到已在各个方面作出如今，针对不同业务的最先进的应用程序和系统都基于人工智能和机器学习。 深度学习是机器学习的一部分，它可以产生适当的性能，并完全超越经典的机器学习方法，* 通讯作者。 爱尔兰都柏林理工大学电子邮件地址：Hossam. TUDublin.ie，hossam. tudublin.ie（H.M.Zawbaa）。https://doi.org/10.1016/j.imu.2021.100566接收日期：2020年11月19日;接收日期：2021年3月31日;接受日期：2021年3月31日在线预订2021年2352-9148/© 2021作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuKKA Ghany等人医学信息学解锁23（2021）1005662××特别是当数据规模增加时。正如人工智能领域的许多研究人员所指出的那样，深度学习模型突出了高准确性，可以在特定情况下提高人类的输出[2]。上面使用的机器学习和深度学习模型通常用于时间安排预测，近年来取得了很好的效果。几种深度学习模型在不同领域的各种应用中取得了显着的成果。因此，基于时间序列数据的深度学习变得越来越流行，并已被应用于不同的应用，如网络入侵检测，非法交通流量检测，欺诈检测和视频监控。本文重点研究了海湾地区海湾合作委员会国家中的六个国家：沙特阿拉伯、阿联酋、阿曼、巴林、科威特和卡塔尔。 这些国家的气候几乎相同，生活质量也差不多。本文旨在使用LSTM预测海湾地区海湾合作委员会国家的COVID-19传播本文的其余部分组织如下：第2节讨论了应用LSTM和数据准备的方法。第3节展示了在时间序列数据上使用LSTM的拟议模型。之后，第4节和第5节分别显示选定国家的预测结果和对这些结果的讨论。第六部分是结论和未来工作。1.1. 文献综述冠状病毒（Coronaviruses，CoV）是一个大家族的病毒，其引起由感冒 引 起 的 疾 病 ， 例 如 中 东 呼 吸 综 合 征 （ Middle East RespiratorySyndrome，MERS-CoV）和严重急性呼吸综合征（SARS-CoV）。冠状病毒病（COVID-19）是2019年发现的一种新物种，此前尚未在人类中发现[3]。COVID-19引起的症状在大约82%的病例中被证明是中度的，其他病例是重度或危重的[4]。到目前为止，全世界的病例总数超过1.09亿例，其中有超过2500万例活动性病例（99%处于中期状态），200万例死亡，77，782，723例康复病例。在海湾合作委员会国家，我们发现总病例超过2，535，000例，其中有超过51，834例活动性病例（90%处于中度状态），10，650例死亡，1，243，977例康复病例。规划对于减少传染病大流行对社会的突然和潜在的灾难性影响至关重要。几位研究人员提出了应对这类疾病的想法：在参考文献[5]中，研究人员表明SARS冠状病毒从麝香猫转移到人类，MERS冠状病毒从单峰骆驼感染到人类。几个研究区已经执行了模拟智能（例如医疗保健中的疾病分析）。模拟智能的一个基本偏好是，它可以在一个准备好的模型中很好地执行命令不显眼的图片。在这项检查中，人工智能被实现，以利用患者的胸部X光图像来区分患者是否对冠状病毒呈阳性。在参考文献[6]中，研究人员提出了一种基于深度迁移学习的方法，使用从COVID-19患者获得的胸部X射线图像，并且他们成功地自动预测COVID-19患者。在参考文献[7]中，研究人员提出了一种新方法，可以通过深度学习技术完全自动筛选COVID-19。他们证明，具有位置-注意力机制的模型可以在胸部X光检查中更准确地对COVID-19进行分类，总体准确率为86.7%。此外，在参考文献[8]中，他们使用了一种深度学习的方法来处理自然识别的冠状病毒患者，并利用来自中国和美国的157名不熟悉患者的CT检查数据集来研究CT检查的疾病评估。他们提出的框架在两个特定的层次上研究CT检查：子系统A和B。子系统A进行3D检查，子系统B对输出的每个部分进行2D调查，以识别和发现更广泛的弥漫性混浊，包括毛玻璃穿透（临床上已被区分为冠状病毒的说明）。的创建者将Resnet-50-2应用于子系统B，并获得了99.6%弯曲下的区域以评估其框架。情感性和显性分别为98.2%和92.2%在[2]中，研究人员利用了真实世界的数据集。该框架检查胸部X射线照片以区分此类患者。他们的发现表明，这种检查在冠状病毒测定中至关重要，因为X射线可以快速且低成本地获得。从1000张真实患者的X射线照片中获得的EX实验发现证实，他们提出的框架有助于分析冠状病毒统计数据，并实现了F测量范围95- 99%。 此外，三个决定技术-先知算法(PA)自回归综合移动平均（ARIMA）模型和长短期记忆神经网络（LSTM）-被接收以预期冠状病毒确认、恢复和在接下来的七天内通过的数量。预测结果显示了良好的执行力，并提供了94.80%的标准准确率，88.43%在澳大利亚和约旦，单独。同时，作者建立了一种深度学习方法来删除CT检查中的数据[9]。他们的检查包括来自99名患者的453个CT过滤器。他们划分了195个领域的阴谋（初始资本投资回报）的规模从来自44名冠状病毒阳性肺炎患者的CT输出的395 223至636 533像素应用改进的组织启动模型，获得了82.9%的内部认可准确率、80.5%的显式度和84%的可感度。外部测试数据集的绝对精度为73.1%，显着性为67%，可影响性为74%。此外，CNN已经应用于有限的数据集，在他们的检查中没有明确描述，以评估和衡量中国报告的病例数量[10]。研究人员使用平均最高错误率和均方根错误率来对比他们的模型和其他深度学习模型，包括多层感知器，长短期记忆（LSTM）和门控重复单元。创造者们认为，得到的结果保证了高预见性的生产力。然而，研究人员 谈 关于 印度的 冠 状 病 毒 信 息 -针对几个国家的行动，就像美国的关键国家一样，有一整集。发现印度的主要扩散数R0在1.4e3.9的正常范围内[11]。印度的污染发展环接近华盛顿和加利福尼亚。根据这个模型，据评估，印度将在2020年5月结束前进入固体状态，最后一次瘟疫规模接近13，000.但是，如果印度进入集合传输点，估计将无效。社会分离的影响也是通过假设没有收集传播，分解来自不同地理区域的信息来估计的。在[12]中，基于人工神经网络（ANN）的模型被用于评估中国、日本、新加坡、伊朗、意大利、南非和美国的COVID-19确诊病例这些模型误用了已证实的编年史记录虽然它们是直接对比，但案例是它们预计影响评估周期的天数。COVID-19信息分为培训部分和测试部分。前者用于准备人工神经网络模型，而后者用于查看原因。信息审查显示，日常确认的情况下，更多的变化，但另外，各种范围的完全确认的情况下，考虑。基于所得到的结果，基于人工神经网络的模型，考虑过去14天击败不同的。这种相关性揭示了在预测COVID-19事件时考虑最极端的孵化时间框架的重要性。通过对比各保证系数的取值范围，可以看出被评估者对被评估结果的满意程度。 此外，结果表明：意大利是最好的。此外，伊朗的预期结果已经实现，平均直接相对误差和标准化均方根误差的范围分别为[0.09，0.15]和[0.21，0.36]，这是这些模型在各国之间得到的最优范围。KKA Ghany等人医学信息学解锁23（2021）1005663表1按升序排列的所选国家/地区的质量指数。国家质量指标（QI）阿曼173.46阿联酋169.17卡塔尔155.77KSA144.52巴林130.91科威特113.99然而，在这项研究中，使用了多基因遗传编程（MGGP）的开源代码，而控制边界则在MGGP中考虑[13]。一个人所允许的最极端数量前者是多质量边界，而后者是树构造边界。在为这两个边界选择拟合质量时存在折衷尽管如此，这种改进可能会不可避免地带来一个更混乱的模式。在这项研究中，通过拥抱实验交互作用，将个体中允许的最极端数量的品质设置为5。1.2. 生活质量1995年，世界卫生组织认识到评估和改善个人正因为如此，我们试图了解生活质量与COVID-19传播之间的关系。根据生活质量指数[14]，阿拉伯联合酋长国的质量指数（QI）等于169.17，卡塔尔的质量指数等于阿曼的质量指数等于173.46，巴林的质量指数等于130.91，沙特阿拉伯的质量指数等于144.52，最后，科威特的质量指数等于113.99。表1根据QI以升序排列了6X个甚至尽管生活质量指数在不断变化，但这些国家的首都在生活水平方面都在前十名的阿拉伯城市之内。虽然他们每个人都是独一无二的，但他们都有一个共同的品质： 阿拉伯世界最好的城市2. 方法2.1. 长短期记忆（LSTM）LSTM是一种新型的递归网络架构，结合了适当的基于梯度的学习算法。LSTM旨在克服这些错误回流问题。它可以学会桥接超过1000步的时间间隔，即使在嘈杂的情况下，紧凑的输入序列，而不会损失短时间延迟的能力。一个高效的，梯度-基于的算法实现了这一点的架构，强制执行恒定的错误流，既不是爆炸，也不是通过每个单元的内部状态消失[15]。原则上，LSTM可以使用它的存储单元来记住长距离信息，并跟踪它当前处理的文本的各种属性。例如，这是一个简单的练习，编写gadget单元格权重，允许单元格跟踪它是否在引用的字符串中[16]。在一个组织的准备周期中，主要目标是限制在准备信息通过它发送时在产量中看到的不幸（就失误或成本而言），我们计算出倾向，即关于特定负载安排的不幸，根据需要改变负载，并使这个周期重复，直到我们得到一个理想的负载安排，对于该负载安排，不幸是最小的。这就是回溯法.有时，碰巧斜率实际上是无关紧要的[17]。必须注意的是，层的斜率依赖于渐进层中的特定段。在这些部分的一部分很小（小于1）的情况下，所获得的结果，即倾向，将更加温和。这被称为缩放影响。当这个角度与学习率重复时，它在0.1和0.001之间运行有点价值，它带来了更适度的价值。结果，负载的修改是微小的，提供与过去几乎相似的产量。同样地，如果由于对部件的巨大估计，倾向在尊重上是巨大的，则负载被刷新为超过理想价值的激励。这就是所谓的引爆倾向问题。为了避免这种缩放影响，神经组织单元被重新底层化，使得缩放因子被固定为1。然后通过一些门控单元增强了电话，并被称为LSTM[18]。一个普通的LSTM单元由一个单元、一个输入门、一个输出门和一个输出门组成一个门，一个遗忘的门。这个遗忘门不是LSTM组织的一个方面，而是由参考文献[19]提出的，让组织重置其状态。细胞回忆价值观胜过自我肯定。周期和三个门管理与单元格相关的数据的进展。在本节的其余部分，LSTM将提到vanilla变体，因为这是最常见的。著名的LSTM工程[17]。然而，这并不意味着它在每种情况下都是普遍存在的。简单地说，LSTM工程包括许多间歇性关联的子组织，称为内存块。内存块背后的思想是保持其状态。通过非直接选通单元对数据流进行计时和控制。图1展示了vanilla LSTM块的设计，其中包括门、输入信号X（t）、输出信号y（t）、激活函数和窥视孔连接[19]。2.2. 数据准备数据编制采用COVID-19时间序列进行管理房图1.一、 典型的 vanilla LSTM块的 架 构 [16]。KKA Ghany等人医学信息学解锁23（2021）1005664表3表2时间序列数据的输入/输出模式示例。输入输出{10、7、15、20、24、36、40} 31{7，15，20，24，36，40，31} 47{15、20、24、36、40、31、47} 53{20、24、36、40、31、47、53} 45一周到另一周）。我们已经考虑了七个时间步作为输入，一个时间步作为正在学习的预测模型的相应输出，如表2所示。3. 我们使用长短期记忆（LSTM）作为回归模型，根据确诊病例数和死亡病例数预测未来几个月的COVID-19传播。3. LSTM模型每个国家确诊和死亡病例的国家确诊病例死亡病例KSA1768.3521.78卡塔尔735.212.09阿曼730.539.99科威特456.903.75阿联酋446.443.27巴林320.791.84表4每个国家确诊病例和死亡病例的实际值和预测值之间的平均绝对相对误差（MARE）。确诊病例的国家MAREKSA卡塔尔阿曼科威特阿联酋巴林准备数据并将其转换为适当的解释和编码，以适应LSTM模型，用于预测和预报问题。LSTM模型学习一个函数，该函数将过去的观测序列作为输入映射到输出观测，如下所示：1 这三个国家的COVID-19时间序列数据从2020年1月22日至2020年7月24日从约翰霍普金斯大学数据集[20]（JHU CSSE，2020）。2 从时间序列数据中删除日期列。观察顺序如下：[10，7，15，20，24，36，40，31，47，53，45]。观察序列必须转换为LSTM可以从中学习的多个样本。我们将序列分为多个输入/输出模式，称为样本。在本文中，使用等于一周的窗口大小对观察值序列进行了转换（因为COVID-19的传播可能从我们已经实现了一个简单的长短期记忆（LSTM）模型，该模型具有输入层、单个隐藏层和输出层用来做预测。输入层具有等于7个序列步骤的一些神经元（对于一周的COVID-19数据点）。隐藏层是一个LSTM层，具有10个隐藏单元（神经元）和一个整流线性单元（ReLU）作为激活函数。输出层具有用于预测输出的具有1个单元的密集层。学习率设置为0.001，每五个epoch衰减一次。此外，我们使用1000作为epoch的数量，Adam作为优化器，均方误差作为损失函数。之后，我们用预测前的数据拟合模型进行预测.所得结果可能会有所不同， LSTM模型的随机性;因此，我们已经运行了几次。最后，我们输入最后一个序列，输出预测序列中的下一个值4. 实验结果根据时间序列数据创建的一系列预测和预报模型，以检查海湾地区海湾合作委员会国家（KSA，阿联酋，阿曼，巴林，科威特和卡塔尔）的局势何时得到控制，简单明了。我们计算了两个不同的度量模型的性能评估，这是均方根误差（RMSE）和平均绝对相对误差（MARE）。结果分别列于表3和表4中5. 讨论从LSTM模型中，我们确认KSA和卡塔尔将 从病毒中恢复的时间最长（2021年期间），如图图2和图6所示。此外，我们证实，KSA如图所示，2021年3月下半月后，死亡人数下降，形势可能可控。3.第三章。 图 4示出了阿联酋已经开始了COVID-19病毒的第二个周期，其峰值高于第一个周期的峰值，由于缺乏社交距离，大量确诊病例将持续很长时间（2021年期间）。从2021年3月下半月开始，阿联酋的死亡总人数将得到控制，如图所示。 五、图二. 2019冠状病毒病确诊病例KKA Ghany等人医学信息学解锁23（2021）1005665图三. KSA的COVID-19死亡病例见图4。 阿联酋确诊2019冠状病毒病病例图五. 阿联酋2019冠状病毒病死亡病例对于卡塔尔来说，从2020年11月初开始，死亡总人数是可控的，到目前为止是稳定的，如图所示。见图7。COVID-19病毒在所有其他国家的传播率较高，但由于严格的社交距离，情况将于二零二一年三月下半月可控，如图12至图13所示。8、10和12。巴林方面，自2021年2月初以来，死亡总人数及情况已受到控制，如图所示。9.第九条。对阿曼而言，2021年2月下半月后，死亡总人数和形势可能得到控制，如图11所示。最后，从2021年2月下半月开始，科威特的死亡总人数得到控制，如图所示。 13岁我们计算了每个国家确诊病例和死亡病例的实际值和预测值之间的均方根误差（RMSE）最大值与KSA病例有关，KKA Ghany等人医学信息学解锁23（2021）1005666见图6。 卡塔尔确诊新冠肺炎病例见图7。 卡塔尔的COVID-19死亡病例见图8。 巴林确诊新冠肺炎病例最小值与巴林有关另一方面我们计算了每个国家确诊病例和死亡病例的实际值和预测值之间的平均绝对相对误差（MARE）确诊病例和死亡病例的最大值与KSA病例有关，确诊病例的最小值与科威特有关，而死亡病例的最小值与科威特有关。这些案件与卡塔尔有关每个国家的情况应该与表5中的值有关，因为我们发现KSA、卡塔尔、阿曼、科威特、阿联酋和巴林的COVID-19总检测量占总人口的百分比分别为37%、52%、30%、39%、283%和169%。此外，我们应该将这些值与表1中列出的生活质量联系起来。此外，正如我们所看到的，虽然阿曼是最高的国家，质量指数为QI= 173.46的six个国家，KKA Ghany等人医学信息学解锁23（2021）1005667===见图9。 巴林的COVID-19死亡病例见图10。 阿曼出现新冠肺炎确诊病例见图11。 阿曼的COVID-19死亡病例总COVID-19测试占总人口的百分比等于30%。然而，COVID-19的情况得到控制，因此生活质量可能会影响情况。阿 联 酋的 QI 为169. 17 ， 总 COVID-19 测 试 占总 人 口 的百 分 比 为283%，因此COVID- 19的情况肯定在控制之下，因为生活质量与总测试合并。对于KSA和卡塔尔，他们与QI的平均质量指数144.52和QI 155.77，而且他们的平均总检测量与总COVID-19检测量相比，占总人口的百分比分别为37%和52%。因此，我们发现这些国家将需要最长的时间从病毒中恢复过来（2021年期间）。KKA Ghany等人医学信息学解锁23（2021）1005668见图12。 科威特确诊新冠肺炎病例表5图十三. 科威特的COVID-19死亡病例。病毒，其他国家的情况将于二零二一年三月同时，我们发现生活质量所有海湾国家的总人口、COVID-19检测总数、每个人口的检测百分比、确诊病例总数和死亡病例总数[5]。国家人口试验总数/百万人证实死亡KSA34，963，754 12，946，778368,339372,7326433卡塔尔2,807,805 1465229521,841157,244255阿曼5，141，941298,856137,3061542科威特4，288，053 1，667，920387,021177,7011003阿联酋9，923，6232,821,481348,7721014巴林1,717,395 29000041,668,864112,7424036. 结论和今后的工作使用机器学习进行时间序列预测的过程，特别是在COVID-19中，被证明在建模和预测病毒传播的最终状态方面非常有用。本文着重于应用人工智能（AI）算法使用时间序列数据预测COVID-19，并研究海湾地区海湾合作委员会国家（特别是沙特阿拉伯王国（KSA）、阿拉伯联合酋长国（阿联酋）、阿曼、巴林和卡塔尔）的生活方式和公民意识对病毒的影响。为此，我们访问了从约翰霍普金斯大学系统科学与工程中心（JHU CSSE）收集的时间序列实时数据集在本文中，从LSTM模型中获得的结果证实了KSA和卡塔尔将需要最长的时间才能从COVID-19中恢复过来可能会影响COVID-19传播的情况以及进行的测试总数。年龄和天气可能对COVID-19的传播和死亡率产生影响。缺乏社会距离对这些因素有很大的影响仍需进一步调查竞合利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] Punn NS，Sonbhadra SK，Agrawal S.使用机器学习和深度学习算法进行COVID-19疫情分析”。 2020年。[2] Alazab M，et al.使用深度学习进行COVID-19预测和检测。国际计算机信息系统与工业管理应用2020;12：168[3] 世界卫生组织。 访问06.10.2020. [联机]。可用：https：//www.who.int/health-topics/coronavirus网站。[4] 世界米[在线]。可用网址：https://www.worldometers.info/coronavirus。[2020年10月6日]。[5] Huang C，Chen YH，Ma Y，Kuo PH.中国COVID-19预测的多输入深度卷积神经网络模型”。 medR X iv; 2020年。[6] NarinA，et al.使用X射线自动检测冠状病毒疾病（COVID-19）图像和深度卷积神经网络”。 2020年。[7] XiaoweiX，et al. 深度学习系统筛选冠状病毒疾病2019肺炎“。 2020年。KKA Ghany等人医学信息学解锁23（2021）1005669[8] GozesO，et al.针对冠状病毒（COVID-19）的快速人工智能开发周期大流行：使用深度学习CT图像分析进行自动检测和患者监测的初步结果”。 2020年。[9] Wang S，Kang B，MaJ，Zeng X，Xiao M，Guo J，et al. A deep learningalgorithmusing CT images to screen for Corona Virus Disease（COVID-19）".2020年。 medR X iv.[10] Huang C，et al. 2019年新型冠状病毒感染患者的临床特征武汉”， 中 国。 柳叶刀2020;395：497-506. 10223[11] R. Ranjan，“ 使 用 流 行 病 学 模 型 预 测 印 度 C O V I D - 1 9 疫 情 ” ， m e d Rx i v ， 2 0 2 0 年 4 月 3 日 。[12] Niazkar HR，Niazkar M.应用人工神经网络预测COVID-19疫情”。 全球健康研究和政策; 2020年。[13] Niazkar M，Niazkar HR. COVID-19爆发：多基因遗传编程在基于国家的预测模型中的应用。全科医学电子杂志2020;17（5）：em 247。https://doi.org/10.29333/ejgm/8232网站。[14] Numbeo .访问24.10.2020. [联机]。可通过以下网址获得：https://www.numbeo。com/quality-of-life.[15] HochreiterS，Schmidhuber J. 长短期记忆”。 Neural Comput 1997;9（Issue8）：1735-80.[16] 张文龙，李晓梅，李晓梅.可视化和理解循环网络”，第四届学习表征国际会议。2016. ICLR 2016。[17] [10]张文辉，张文辉. LSTM：A SearchSpace Odyssey（英文） IEEE TransNeural Netw Learn Syst 2017.[18] HoudtGV，Mosquera C，Napoles G.长短时记忆的研究进展模型”，人工智能评论。 Springer Nature; 2020.[19] 放大图片作者：J.学习忘记：持续预测LSTM。神经计算2000;12：2451-71.[20] 约翰霍普金斯大学。系统科学与工程中心[在线]。可查阅：https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv。[2020年10月24日]。